據(jù)標(biāo)準(zhǔn)化、奇異值分解出負(fù)載向量和得分向量、特征值、求主元個(gè) 數(shù)、根據(jù)主元個(gè)數(shù)求取主元空間的負(fù)載矩陣以及數(shù)據(jù)重構(gòu)這些步驟實(shí)現(xiàn)了數(shù)據(jù)的降維，將 30X973的粉狀紅外光譜數(shù)據(jù)壓縮成30X 10的粉狀紅外光譜數(shù)據(jù)。
[0060] 步驟C、對所述步驟B中所壓縮后的近紅外光譜數(shù)據(jù)中的前20組即B2。建立ELM算 法定量分析數(shù)學(xué)模型，基于該數(shù)學(xué)模型對所壓縮后的近紅外光譜數(shù)據(jù)中的后10組即隊(duì)。數(shù) 據(jù)進(jìn)行預(yù)測。
[0061] ELM集成主要思想是首先產(chǎn)生幾個(gè)不同的ELM網(wǎng)絡(luò)，然后采用不同的加權(quán)方式將 這幾個(gè)ELM網(wǎng)絡(luò)的輸出進(jìn)行線性組合，從而得到最終的輸出結(jié)果。建立ELM算法定量分析 數(shù)學(xué)模型：ELM網(wǎng)絡(luò)的初始權(quán)值和閾值是隨機(jī)產(chǎn)生的，而且一旦生成后，它們的值將不變直 到訓(xùn)練結(jié)束。因此，只需確定隱含層神經(jīng)元的激活函數(shù)和隱含層神經(jīng)元個(gè)數(shù)，即可計(jì)算出輸 出層權(quán)值β。具體步驟如下：
[0062] 步驟S201、ELM模型中激活函數(shù)G(x)取sigmoid，隱含層節(jié)點(diǎn)數(shù)取20。
[0063] 步驟S202、計(jì)算權(quán)值，將得到的菱鎂礦石訓(xùn)練集即B2。中的20組近紅外光譜數(shù)據(jù) 矩陣N = {(Xi, tj | X; e Rn, h e Rm, i = 1，…，N}代入建立ELM算法定量分析數(shù)學(xué)模型可 得到：
[0064] 1)隨機(jī)產(chǎn)生隱含層節(jié)點(diǎn)參數(shù)（^印，i = 1，…，^其中L為隱含層節(jié)點(diǎn)數(shù)。
[0065] 2)帶入式（7)，計(jì)算出隱含層輸出矩陣H。
[0069] 3)計(jì)算輸出權(quán)值β : H;T,.這里H'表示隱含層輸出矩陣Η的Moore-Penrose 廣義逆。
[0070] 用Matlab實(shí)現(xiàn)模型的仿真，并根據(jù)其準(zhǔn)確度作出圖像，得到ELM訓(xùn)練集輸出仿真 圖如圖5所示。其中，圖5上1代表特級礦、2代表非特級礦。
[0071] 步驟S203、將得到的菱鎂礦石樣本測試集即隊(duì)。中的10組近紅外光譜數(shù)據(jù)矩陣帶 入到ELM模型中，通過Matlab實(shí)現(xiàn)仿真并計(jì)算得出結(jié)果。為了進(jìn)一步提高分類效果，本實(shí) 施例中把ELM模型循環(huán)了 1000次，得到模型精確度100%，并選取精確度最高的這一組。
[0072] 用Matlab實(shí)現(xiàn)模型的仿真，并根據(jù)其準(zhǔn)確度作出圖像，得到ELM測試集輸出仿真 圖如圖6所示。其中，圖6上1代表特級菱鎂礦石、2代表非特級菱鎂礦石。
[0073] 步驟S204、將步驟S203所得到的結(jié)果與樣品A份真實(shí)的品級作比較。
[0074] 這里，采用化學(xué)實(shí)驗(yàn)的方法分別對樣品A份中的30組粉狀菱鎂礦做實(shí)驗(yàn)并得到其 品級。
[0075] 用Matlab實(shí)現(xiàn)模型的仿真，并根據(jù)其準(zhǔn)確度作出圖像，得到菱鎂礦品級輸出仿真 圖如圖7所示。通過比較測試集預(yù)測值與真實(shí)值間對應(yīng)數(shù)值，可以看出ELM對于菱鎂礦石 的分類作用明顯。
[0076] 本實(shí)施例中，是采用粉末狀菱鎂礦作樣品，并對其特級菱鎂礦石還是非特級菱鎂 礦石進(jìn)行鑒別。對于塊狀菱鎂礦的鑒別可采用同樣的方式實(shí)現(xiàn)。
[0077] 對照組1 一傳統(tǒng)人工建模方法
[0078] 傳統(tǒng)的人工建模方法主要是長期從事菱鎂礦工作且有大量的經(jīng)驗(yàn)和專業(yè)知識工 程師對菱鎂礦進(jìn)行手工標(biāo)本鑒別。該建模方法簡單快捷但是準(zhǔn)確度不高。
[0079] 對照組2-現(xiàn)有化學(xué)實(shí)驗(yàn)建模方法
[0080] 現(xiàn)有對菱鎂礦品級的建模方法主要通過化學(xué)實(shí)驗(yàn)方法對待檢測菱鎂礦進(jìn)行測試。 采用化學(xué)方法檢測所述菱鎂礦樣本中CaO、MgO、Si02含量，計(jì)算出所述菱鎂礦樣本中組分 CaO、MgO、Si02的質(zhì)量百分比，對照菱鎂礦工業(yè)指標(biāo)中CaO、MgO、Si02的質(zhì)量百分比得出所 述菱鎂礦樣本的品級。
[0081] 實(shí)驗(yàn)組1 一本發(fā)明建模方法
[0082] 本實(shí)驗(yàn)組采用本發(fā)明實(shí)施例所述的菱鎂礦品級的建模方法對待檢測菱鎂礦進(jìn)行 測試，該建模方法是利用ELM算法建立菱鎂礦的定量分析數(shù)學(xué)模型，利用所建立的數(shù)學(xué)模 型定量預(yù)測出菱鎂礦的品級。本發(fā)明所述建模方法分析周期短、操作步驟簡單，利用計(jì)算機(jī) 建模并計(jì)算、提高了測試精度、提高了工作效率。另外，該方法的使用減少了儀器和試劑的 投入和大量人力的投入，工作強(qiáng)度小，節(jié)約了生產(chǎn)所投入的成本，同時(shí)減少了人為誤差。
[0083] 分別采用上述對照組1、對照組2、實(shí)驗(yàn)組1所述的建模方法應(yīng)用于鑒別遼寧大石 橋菱鎂礦的品級中，對同樣的30組樣品進(jìn)行實(shí)驗(yàn)并鑒別，幾次后測定其鑒別精確度、耗時(shí) 長短、耗費(fèi)費(fèi)用。例如對照組1 一傳統(tǒng)人工建模方法鑒別精確度及耗時(shí)長短、耗費(fèi)費(fèi)用，對照 組2-化學(xué)實(shí)驗(yàn)建模方法鑒別精確度及耗時(shí)長短、耗費(fèi)費(fèi)用，實(shí)驗(yàn)組1 一本發(fā)明所述建模方 法鑒別精確度及耗時(shí)長短、耗費(fèi)費(fèi)用所得數(shù)據(jù)見下表1。
[0084] 表1--檢測結(jié)果
[0087]^從表1中可以看出：采用傳統(tǒng)的人工建模方法鑒別菱鎂礦需要大量的人力、物力， 且工作強(qiáng)度大，此方法雖然簡單方便但是精確度不高。采用化學(xué)實(shí)驗(yàn)建模方法鑒別菱鎂礦， 需要購買化學(xué)實(shí)驗(yàn)藥品，本實(shí)施例中，測試30組樣本所需的藥品費(fèi)用大約為3000元，除此 之外，一些化學(xué)實(shí)驗(yàn)儀器和人力成本投入在300萬以上，此方法檢測結(jié)果雖然精確，但是耗 費(fèi)費(fèi)用高。相對而言，光譜儀和計(jì)算機(jī)的硬件設(shè)備投入在30萬以內(nèi)，本申請所述建模方法， 單次檢驗(yàn)30組樣本所需的費(fèi)用只需約30元，相對人力成本投入更少，檢測結(jié)果精確度高且 耗費(fèi)費(fèi)用少，效益可觀。
[0088] 以上僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出的是，上述優(yōu)選實(shí)施方式不應(yīng)視為對 本發(fā)明的限制，本發(fā)明的保護(hù)范圍應(yīng)當(dāng)以權(quán)利要求所限定的范圍為準(zhǔn)。對于本技術(shù)領(lǐng)域的 普通技術(shù)人員來說，在不脫離本發(fā)明的精神和范圍內(nèi)，還可以做出若干改進(jìn)和潤飾，這些改 進(jìn)和潤飾也應(yīng)視為本發(fā)明的保護(hù)范圍。
【主權(quán)項(xiàng)】
1. 一種菱鎂礦礦石品級分類建模方法，其特征在于，所述建模方法是利用ELM算法建 立菱鎂礦的定量分析數(shù)學(xué)模型，利用所建立的數(shù)學(xué)模型定量預(yù)測析出菱鎂礦的品級； 具體內(nèi)容由以下三部分組成： 第一部分，選取若干份菱鎂礦樣本進(jìn)行紅外光譜實(shí)驗(yàn)得出其光譜數(shù)據(jù)并保存；其中，所 述樣品菱鎂礦為粉狀及塊狀； 第二部分，使用主元分析法（PCA)對所述第一部分中所得到的光譜數(shù)據(jù)進(jìn)行壓縮，達(dá)到 降低所述光譜數(shù)據(jù)矩陣的維數(shù)； 第三部分，對所述第二部分中所壓縮后的光譜數(shù)據(jù)分為兩部分，其中的一部分?jǐn)?shù)據(jù)建 立ELM算法定量分析數(shù)學(xué)模型，基于該數(shù)學(xué)模型對所述壓縮后的光譜數(shù)據(jù)中的另一部分?jǐn)?shù) 據(jù)進(jìn)行測試，預(yù)測出被測試部分菱鎂礦石的品級。2. 根據(jù)權(quán)利要求1所述的一種菱鎂礦礦石品級分類建模方法，其特征在于，所述第二 部分具體包括以下步驟： (1) 、將所述第一部分中得到的樣本光譜數(shù)據(jù)表格制成mXn的矩陣，并對該矩陣作處 理，得到標(biāo)準(zhǔn)化后的矩陣； (2) 、對所述步驟（1)中得到的標(biāo)準(zhǔn)化后的矩陣進(jìn)行奇異值分解，從而得到負(fù)載向量和 得分向量； (3) 、采用累計(jì)貢獻(xiàn)率法求取主元個(gè)數(shù)； (4) 、根據(jù)所述步驟（3)中的主元個(gè)數(shù)求取空間負(fù)載矩陣，進(jìn)而求出壓縮后的矩陣。3. 根據(jù)權(quán)利要求1或2所述的一種菱鎂礦礦石品級分類建模方法，其特征在于，所述第 三部分包括以下步驟： (5) 、以所述步驟（4)中壓縮后的矩陣中的一部分作為訓(xùn)練樣本，另一部分作為測試樣 本； (6) 、將所述步驟（5)中的訓(xùn)練樣本代入ELM模型進(jìn)行訓(xùn)練，得到合適的參數(shù)； (7) 、將所述步驟（6)中得到的參數(shù)代入公式建立ELM算法定量分析數(shù)學(xué)模型； (8 )、將所述步驟（5 )中測試樣本代入所述步驟（7 )中的ELM算法定量分析數(shù)學(xué)模型，通 過Matlab實(shí)現(xiàn)仿真并計(jì)算得出結(jié)果； (9)、根據(jù)所述步驟（8)中計(jì)算的結(jié)果對照菱鎂礦標(biāo)準(zhǔn)的方法測量的結(jié)果，得出菱鎂礦 的品級。4. 根據(jù)權(quán)利要求3所述的一種菱鎂礦礦石品級分類建模方法，其特征在于，所述步驟 (8)還包括，將所述ELM算法定量分析數(shù)學(xué)模型進(jìn)行循環(huán)多次，取其精確度最高的一組，同 時(shí)可以保留下來對應(yīng)的參數(shù)。5. 根據(jù)權(quán)利要求3所述的一種菱鎂礦礦石品級分類建模方法，其特征在于，所述步驟 (6)中所述參數(shù)包括網(wǎng)絡(luò)激勵函數(shù)和隱含層節(jié)點(diǎn)數(shù)。6. 根據(jù)權(quán)利要求5所述的一種菱鎂礦礦石品級分類建模方法，其特征在于，所述隱含 層節(jié)點(diǎn)數(shù)的選取首先確定隱含層中節(jié)點(diǎn)數(shù)目的范圍，然后再通過不斷試驗(yàn)來選取效果最佳 的隱含層節(jié)點(diǎn)數(shù)。
【專利摘要】本發(fā)明公開一種菱鎂礦礦石品級分類建模方法，該建模方法是利用ELM算法建立菱鎂礦的定量分析數(shù)學(xué)模型，利用所建立的數(shù)學(xué)模型定量分析出菱鎂礦的品級。首先，選取若干份菱鎂礦樣本進(jìn)行光譜實(shí)驗(yàn)得出其光譜數(shù)據(jù)，并通告其他方法得到所述菱鎂礦的品級。其次使用主元分析法（PCA）對所述第一部分中所得到的光譜數(shù)據(jù)進(jìn)行壓縮，達(dá)到降低所述光譜數(shù)據(jù)矩陣的維數(shù)。然后，對所述第二部分中所壓縮后的光譜數(shù)據(jù)中的一部分?jǐn)?shù)據(jù)建立ELM算法定量分析數(shù)學(xué)模型，基于該數(shù)學(xué)模型對所述壓縮后的光譜數(shù)據(jù)中的一部分?jǐn)?shù)據(jù)進(jìn)行檢測。本發(fā)明首次將ELM模型應(yīng)用于菱鎂礦石品級鑒別中，利用計(jì)算機(jī)建模并計(jì)算，其分析周期短、操作步驟簡單、提高了工作效率，同時(shí)減少人為誤差。
【IPC分類】G06F17/50
【公開號】CN105354347
【申請?zhí)枴緾N201510412913
【發(fā)明人】肖冬, 程錦甫, 黎霸俊
【申請人】東北大學(xué)
【公開日】2016年2月24日
【申請日】2015年7月15日